Data Mining e le sue Applicazioni

Cos'è il Data Mining?

• Il data mining è la ricerca di modelli utili in set di dati.
• Rientra nella scoperta della conoscenza nelle banche dati (KDD), il cui scopo è identificare modelli utili e facilmente comprensibili.
• Viene applicato per il processo decisionale aziendale e si basa su algoritmi sofisticati che vanno oltre le analisi di base dei dati.

Tecniche e Applicazioni del Data Mining

• Il data mining aiuta a rispondere a domande analitiche.
• Viene utilizzato per scoprire cause, anomalie, clustering di clienti e fare previsioni.
• Gli strumenti per l'analisi del data mining sono Python, R, RapidMiner, SAS e SPSS.
• Alcuni esempi di tecniche di data mining includono la regressione e il clustering.

La Metafora del "Nuovo Petrolio"

• La frase "I dati sono il nuovo petrolio" (Clive Humby, 2006) descrive l'importanza dei dati nell'economia moderna.
• I dati sono come una materia prima che necessita di essere elaborata.
• L'analogia è la seguente: Dati = Petrolio greggio, Informazioni = Benzina, Conoscenza = Energia.
• Il processo di trasformazione dei dati è: Dati grezzi → Informazioni utili → Conoscenza per decisioni.

Decision-making Basato sui Dati

• Il processo di trasformazione dei dati implica la loro conversione in informazioni e poi in conoscenza.
• Gli analisti sono essenziali per trasformare i dati in informazioni utili per il processo decisionale aziendale.
• La conoscenza basata sui dati è fondamentale per prendere decisioni informate.

Business Intelligence vs. Business Analytics

• La Business Intelligence si concentra sull'analisi descrittiva e sulla reportistica dei dati passati.
• Gli strumenti BI come ERP e CRM vengono utilizzati per la reportistica e il monitoraggio dei dati aziendali.
• La Business Analytics approfondisce i dati, fa previsioni e impiega il data mining per ottenere informazioni più approfondite.
• L'evoluzione degli strumenti BI ha portato all'integrazione di funzionalità di data mining.

Capacità Analitiche in Ambiente Aziendale

• È previsto che il personale aziendale possegga competenze di base per l'analisi dei dati, utilizzando strumenti come Excel.
• L'analisi dei dati avanzata richiede competenze più specifiche e approfondite.
• Il valore dell'analisi dei dati è maggiore rispetto a una semplice analisi descrittiva.

Tecnologie Algoritmiche nel Data Mining

• Il data mining si basa su algoritmi sofisticati per analizzare i dati.
• Le classificazioni principali degli algoritmi includono: classificazione, regressione, clustering, rilevazione di anomalie.
• Esempi di algoritmi di data mining sono gli alberi decisionali, la regressione logistica e K-Means.
• Gli algoritmi di data mining hanno le loro origini in diversi campi come l'astronomia e la statistica.

Data Mining e Data Warehousing

• Il data warehousing organizza ed elabora i dati per l'analisi.
• Esiste una differenza tra sistemi transazionali e data warehouse.
• SQL è il linguaggio utilizzato per estrarre i dati dai sistemi operativi per l'analisi del data mining.
• Il data warehouse facilita le query strategiche sui dati aziendali.

Applicazioni Aziendali del Data Mining

• Questo capitolo presenta diversi esempi di attività di data mining in contesti aziendali.
• Le attività includono classificazione, regressione, rilevazione di anomalie, serie storiche e clustering.
• Le applicazioni del data mining si estendono a diverse aree, come la politica, le finanze, il marketing e altre ancora.

Caso A - Classificazione

• La classificazione prevede di prevedere l'appartenenza a classi predefinite.
• Gli algoritmi usati includono gli alberi decisionali, le reti neurali e Random Forest.
• Un esempio di domanda analitica è la classificazione degli elettori per partito.
• Il data mining offre informazioni più dettagliate rispetto alla Business Intelligence, che si limita a contare i voti per partito e geografia.

Caso B - Regressione

• La regressione si basa sulla stima numerica per un punto dati.
• Gli algoritmi utilizzati sono la regressione lineare e logistica.
• Un esempio di domanda analitica è la previsione del tasso di disoccupazione o dei premi assicurativi.
• Il data mining si distingue dalla Business Intelligence, che analizza storicamente la disoccupazione e le entrate assicurative.

Caso C - Rilevamento Anomalie

• Il rilevazione di anomalie identifica valori fuori dalla norma.
• Gli algoritmi utilizzati sono il Local Outlier Factor e altri basati su distanza e densità.
• Un esempio di domanda analitica è l'individuazione di transazioni fraudolente con carte di credito.
• La Business Intelligence si limita a fornire il totale degli addebiti sulla carta di credito mensili.

Caso D - Serie Storiche

• Le analisi di serie storiche si basano sulle previsioni utilizzando dati storici.
• Gli algoritmi utilizzati sono ARIMA, regressione e altri.
• Un esempio di domanda analitica è la previsione di vendite e produzione.
• La Business Intelligence si limita a analizzare storicamente le vendite e la produzione.

Caso E - Clustering

• Il clustering identifica cluster naturali in un set di dati.
• Gli algoritmi utilizzati sono K-Means e il clustering basato sulla densità.
• Un esempio di domanda analitica è la segmentazione dei clienti per il marketing.
• La Business Intelligence si limita a analizzare le chiamate dei clienti in base a tipo e valore.

Conclusione

• Il data mining è fondamentale per ottenere informazioni aziendali approfondite e per il processo decisionale.
• Il data mining va oltre la Business Intelligence, offrendo capacità di analisi avanzate.
• L'evoluzione degli strumenti e delle competenze sta spostando l'attenzione da semplici analisi a tecniche sofisticate.
• L'importanza della data literacy nell'ambiente aziendale è in costante crescita.